SagaEVM Chain Bị Khai Thác, 7 Triệu USD Bị Rút, Chuyển Tiền Sang Ethereum

TheNewsCrypto2026-01-22 tarihinde yayınlandı2026-01-22 tarihinde güncellendi

Özet

SagaEVM, một phần của hệ sinh thái blockchain Saga Layer-1, đã bị tạm dừng hoạt động sau một vụ khai thác bảo mật vào ngày 21 tháng 1, dẫn đến thiệt hại ước tính 7 triệu USD. Nhóm phát triển đã xác định được ví của kẻ tấn công, nơi một phần tài sản bị đánh cắp đã được chuyển sang mạng Ethereum và chuyển đổi thành ETH hoặc các token khác. Hiện tại, đội ngũ đang hợp tác với các sàn giao dịch để đưa địa chỉ ví vào danh sách đen và tiến hành điều tra chi tiết. Sự cố chỉ ảnh hưởng đến SagaEVM và các môi trường liên quan, trong khi mạng lưới chính Saga SSC vẫn an toàn. Báo cáo từ Chainalysis cũng cho thấy ngành công nghiệp tiền mã hóa đã mất hơn 3,4 tỷ USD do các vụ trộm cắp trong năm 2025.

Chuỗi SagaEVM, một phần của hệ sinh thái blockchain Saga Layer-1, vẫn bị tạm dừng sau một cuộc khai thác bảo mật vào ngày 21 tháng 1. Cùng với đó, bản cập nhật điều tra đã được phát hành vào ngày 22 tháng 1, ví của kẻ tấn công đã được tìm thấy và khoảng 7 triệu đô la tài sản, với một số được chuyển đổi sang Ethereum. Hơn nữa, nhóm đang làm việc để đưa địa chỉ của hacker vào danh sách đen.

Saga Xác Định Ví Kẻ Tấn công Khi Tiền Được Chuyển Cầu Nối Sang Ethereum

Sau khi vụ khai thác được xác định, ngay trong ngày đầu tiên, nhóm đã tạm dừng chuỗi ở độ cao khối 6,593,800 để ngăn chặn các giao dịch trái phép. Đồng thời, dường như đã liên quan đến một chuỗi các triển khai hợp đồng, tương tác chuỗi chéo và rút thanh khoản nhanh chóng cho phép kẻ tấn công chiếm đoạt tài sản.

Các tài sản bị đánh cắp, bao gồm USDC, đã được chuyển sang mạng chính Ethereum và, trong một số trường hợp, được chuyển đổi sang ETH hoặc các token khác. Ngoài ra, Saga đã xác định được ví liên quan đến vụ khai thác và đang làm việc với các sàn giao dịch và nhà vận hành cầu nối để đưa nó vào danh sách đen và hỗ trợ thu hồi tài sản.

Với điều đó, hiện tại, nhóm Saga đang tiến hành một cuộc điều tra pháp y chi tiết và dự định xuất bản một báo cáo phân tích kỹ thuật toàn diện sau sự kiện.

Vụ khai thác ảnh hưởng đến chính mạng chuỗi SagaEVM, cũng như các môi trường như Colt và Mustang dựa vào chức năng EVM, trong khi mạng chính Saga SSC, lớp đồng thuận và bảo mật Validator không bị ảnh hưởng, và không có bằng chứng về việc xâm phạm khóa cá nhân.

Ước Tính Trộm Cắp Của Chainalysis Năm 2025

Ngành công nghiệp tiền mã hóa đã mất hơn 3,4 tỷ USD do trộm cắp từ tháng 1 đến đầu tháng 12 năm 2025, làm nổi bật các vấn đề bảo mật đang diễn ra.

Báo cáo cho biết các cuộc tấn công vào ví cá nhân của nhà đầu tư đã tăng đáng kể vào năm 2025, với giá trị bị đánh cắp tăng từ 7,3% lên 44%. Nơi xảy ra các vụ rút tiền trực tiếp từ ví crypto là khoảng 158.000, với hơn 80.000 nạn nhân riêng biệt.

Tin Tức Crypto Nổi Bật Hôm Nay:

Thái Lan Soạn Thảo Quy Định ETF Crypto Khi Nhu Cầu Tổ Chức Tăng

Trend Kriptolar

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

İlgili Sorular

QSự kiện khai thác bảo mật trên chuỗi SagaEVM xảy ra khi nào?

ASự kiện khai thác bảo mật xảy ra vào ngày 21 tháng 1.

QTổng giá trị tài sản bị đánh cắp trong vụ tấn công SagaEVM là bao nhiêu?

AKhoảng 7 triệu đô la Mỹ trị giá tài sản đã bị rút ra.

QNhóm phát triển Saga đã thực hiện hành động tức thì nào sau khi phát hiện vụ tấn công?

AHọ đã tạm dừng chuỗi (pause chain) ở độ cao khối 6,593,800 để ngăn chặn các giao dịch trái phép.

QCác tài sản bị đánh cắp chủ yếu được chuyển đi đâu?

ACác tài sản bị đánh cắp, bao gồm USDC, đã được chuyển đến mạng chính Ethereum (Ethereum mainnet) và trong một số trường hợp được chuyển đổi sang ETH hoặc các token khác.

QBáo cáo của Chainalysis ước tính tổn thất do trộm cắp tiền điện tử trong năm 2025 là bao nhiêu?

ANgành công nghiệp tiền điện tử đã mất hơn 3,4 tỷ đô la do trộm cắp trong khoảng thời gian từ tháng 1 đến đầu tháng 12 năm 2025.

İlgili Okumalar

NVIDIA's New Open-Source MoE: One Line of Import, Fine-Tuning Accelerated by 3.7x

NVIDIA has open-sourced NeMo AutoModel, a tool designed to significantly accelerate the fine-tuning of Mixture-of-Experts (MoE) large language models. By adding just one import line to existing code based on Hugging Face Transformers v5, users can achieve a 3.4x to 3.7x increase in training throughput and reduce GPU memory usage by 29% to 32% without altering their API. The key innovations include Expert Parallelism (EP) to distribute expert weights across GPUs, lowering memory pressure; DeepEP to fuse computation and communication; and TransformerEngine kernels for accelerated core operations. Benchmarks on models like Qwen3-30B-A3B show training throughput per GPU jumping from 3075 to 11340 tokens per second. The solution also enables the fine-tuning of very large models, such as the 550B parameter Nemotron 3 Ultra, which would exceed memory limits with the standard Transformers v5. Code and benchmarks are available on GitHub.

marsbit7 dk önce

NVIDIA's New Open-Source MoE: One Line of Import, Fine-Tuning Accelerated by 3.7x

marsbit7 dk önce

How to Detect AI-Generated Videos? A Review of Dynamic, Traceable, and Explainable Detection Systems

**How to Detect AI-Generated Videos: A Survey on Dynamic, Traceable, and Explainable Detection Systems** With rapid advances in AI video generation (e.g., Sora, Veo), creating highly realistic, multi-minute videos is now possible, widening the gap with detection research. Current AI video detection, often limited to unreliable binary classifications, is insufficient. This survey, accepted at ACL 2026, reframes the goal as **"factual fidelity verification"**—checking if a video's content (who, when, where, what) aligns with the real world perceptually and cognitively. It categorizes AI-generated videos into three paradigms: **Local Manipulation Videos (LMV**, e.g., face swaps), **Audio-Visual Editing (AVE**, e.g., lip-syncing), and **Generative Video Synthesis (GVS**, fully synthetic videos like Sora's). Detection challenges evolve from visual artifacts in LMV to multi-modal inconsistencies in AVE and higher-level world knowledge violations in GVS. The core proposal is a **Vision-Language Dual-View framework** with four hierarchical layers: 1. **Layer 1 (Intrinsic Visual Cues):** Analyzes low-level signal statistics, noise patterns, and physiological signals. 2. **Layer 2 (Spatiotemporal Consistency):** Checks for temporal coherence in object motion and scene dynamics. 3. **Layer 3 (Cross-Modal Consistency):** Verifies alignment between video, audio, and text within the video. 4. **Layer 4 (Language-Guided World-Level Reasoning):** Uses external knowledge, facts, and physical laws to judge semantic plausibility and factual correctness. The survey traces a shift in detection focus from lower layers (1 & 2) toward higher, language-involved layers (3 & 4). It also reviews evolving evaluation metrics and datasets tailored for each video paradigm. The conclusion advocates for a **dynamic, evidence-first detection system** that moves beyond simple classification. Future trustworthy detection requires combining visual evidence (from CV) with semantic reasoning and explanation (from NLP & multimodal AI), ultimately creating traceable and explainable judgments about a video's adherence to real-world constraints.

marsbit9 dk önce

How to Detect AI-Generated Videos? A Review of Dynamic, Traceable, and Explainable Detection Systems

marsbit9 dk önce

It Turns Out the First Real-World Application of AI x Crypto is in Security Auditing

The article explores the surprising trend where AI's first major impact on crypto has been in security auditing, not in areas like trading or analytics. It details how AI-powered tools are dramatically lowering the barrier to finding smart contract vulnerabilities, enabling attackers to scan thousands of contracts and execute exploits within minutes. This has rendered traditional, manually-produced audit reports with their month-long validity periods increasingly obsolete, creating a critical "structural crack" in the old security model. Cases like Drift Protocol and KelpDAO show that even extensively audited protocols can be hacked through social engineering, operational flaws, or infrastructure misconfigurations beyond pure code review. Attackers are also using AI to find and exploit vulnerabilities in years-old, deployed contracts. Notably, OpenZeppelin's co-founder has expressed a grim view that "all DeFi is insecure" due to AI's asymmetric advantage. In response, the audit industry is undergoing a fundamental shift. While there's a short-term spike in defensive re-audits, the long-term business model is changing. Firms are developing AI-assisted systems and moving from one-time report deliveries towards embedded, continuous services like real-time monitoring and formal verification. Examples include AI tools uncovering critical, previously missed vulnerabilities in heavily audited protocols like Curve Finance and Zcash. The conclusion is that security must become a continuous investment, not a one-time checkbox, and audit firms must rapidly evolve their tools and service models to survive.

marsbit15 dk önce

It Turns Out the First Real-World Application of AI x Crypto is in Security Auditing

marsbit15 dk önce

Never expected that the first tangible application of AI x Crypto is in security auditing

Unexpectedly, the initial major application of AI in the Crypto sphere has turned out to be security auditing. In 2026, DeFi has faced significant security challenges, with 121 hacking incidents resulting in approximately $942 million in losses. While AI was expected to first impact areas like quantitative trading, its initial breakthrough has instead transformed security auditing by drastically lowering the cost and skill barrier for finding smart contract vulnerabilities. The traditional audit model is facing obsolescence. Advanced AI models, such as Claude Mythos, enable attackers to scan thousands of contracts and identify vulnerability patterns at scale, compressing the time from discovery to execution to mere minutes. This renders the month-long validity of traditional audit reports ineffective. Notably, attacks now frequently target well-audited, established protocols by exploiting business logic flaws, operational security weaknesses, and even years-old historical contracts, demonstrating that old audit reports offer zero protection. This pressure is forcing a fundamental shift in the industry. In the short term, a wave of defensive re-auditing is occurring, driven by projects seeking to meet new AI-era security standards and regulatory requirements. In the long run, audit firms' business models are diverging. The one-time report delivery model is declining in value, as evidenced by platforms like Code4rena shutting down. Leading firms are now pivoting towards AI-powered defense, integrating continuous monitoring, real-time on-chain risk detection, and embedding security directly into the development phase, as seen with tools like OpenZeppelin's Skills system. Ultimately, the era of "audit once, secure forever" is over. Security must become a continuous, embedded infrastructure investment for projects. For audit companies, survival depends on proactively transforming from traditional service providers into platforms offering AI-native, ongoing security solutions.

链捕手23 dk önce

Never expected that the first tangible application of AI x Crypto is in security auditing

链捕手23 dk önce

$3M Exploit Hits Polymarket: Users to Receive Full Refunds After Third-Party Breach

Polymarket will fully reimburse users affected by a front-end exploit that stole approximately $3 million in crypto assets. The company stated the incident was not a flaw in its core protocol but a supply chain attack. A compromised third-party vendor injected a malicious script into the platform's front-end for a limited number of users, allowing the attacker to drain funds from about 15 wallets while they interacted with the site. The stolen assets, primarily Polymarket's pUSD stablecoin, were bridged to Ethereum and converted to roughly 1,893 ETH. This marks the second security incident for Polymarket in under two months, following a separate $700,000 loss. The event highlights growing risks associated with third-party dependencies in the crypto industry.

TheNewsCrypto24 dk önce

$3M Exploit Hits Polymarket: Users to Receive Full Refunds After Third-Party Breach

TheNewsCrypto24 dk önce

İşlemler

Spot

Popüler Makaleler

SAGA Nasıl Satın Alınır

HTX.com’a hoş geldiniz! Saga (SAGA) satın alma işlemlerini basit ve kullanışlı bir hâle getirdik. Adım adım açıkladığımız rehberimizi takip ederek kripto yolculuğunuza başlayın. 1. Adım: HTX Hesabınızı OluşturunHTX'te ücretsiz bir hesap açmak için e-posta adresinizi veya telefon numaranızı kullanın. Sorunsuzca kaydolun ve tüm özelliklerin kilidini açın. Hesabımı Aç2. Adım: Kripto Satın Al Bölümüne Gidin ve Ödeme Yönteminizi SeçinKredi/Banka Kartı: Visa veya Mastercard'ınızı kullanarak anında Saga (SAGA) satın alın.Bakiye: Sorunsuz bir şekilde işlem yapmak için HTX hesap bakiyenizdeki fonları kullanın.Üçüncü Taraflar: Kullanımı kolaylaştırmak için Google Pay ve Apple Pay gibi popüler ödeme yöntemlerini ekledik.P2P: HTX'teki diğer kullanıcılarla doğrudan işlem yapın.Borsa Dışı (OTC): Yatırımcılar için kişiye özel hizmetler ve rekabetçi döviz kurları sunuyoruz.3. Adım: Saga (SAGA) Varlıklarınızı SaklayınSaga (SAGA) satın aldıktan sonra HTX hesabınızda saklayın. Alternatif olarak, blok zinciri transferi yoluyla başka bir yere gönderebilir veya diğer kripto para birimlerini takas etmek için kullanabilirsiniz.4. Adım: Saga (SAGA) Varlıklarınızla İşlem YapınHTX'in spot piyasasında Saga (SAGA) ile kolayca işlemler yapın.Hesabınıza erişin, işlem çiftinizi seçin, işlemlerinizi gerçekleştirin ve gerçek zamanlı olarak izleyin. Hem yeni başlayanlar hem de deneyimli yatırımcılar için kullanıcı dostu bir deneyim sunuyoruz.

151 Toplam GörüntülenmeYayınlanma 2024.12.13Güncellenme 2026.06.02

Tartışmalar

HTX Topluluğuna hoş geldiniz. Burada, en son platform gelişmeleri hakkında bilgi sahibi olabilir ve profesyonel piyasa görüşlerine erişebilirsiniz. Kullanıcıların SAGA (SAGA) fiyatı hakkındaki görüşleri aşağıda sunulmaktadır.